使用PyMC3进行增量模型更新

Question

是否可以在pyMC3中逐步更新模型.我目前无法找到相关信息.所有文档始终使用先验已知数据.

但在我的理解中,贝叶斯模型也意味着能够更新信念.这在pyMC3中是否可行？我在哪里可以找到相关信息？

谢谢 :)

Answer 1

按照@ ChrisFonnesbeck的建议,我写了一个关于增量先前更新的小教程笔记本.在这里能找到它:

https://github.com/pymc-devs/pymc3/blob/master/docs/source/notebooks/updating_priors.ipynb

基本上,您需要将后验样本包装在自定义的连续类中,该类从它们计算KDE.以下代码就是这样做的:

def from_posterior(param, samples):

    class FromPosterior(Continuous):

        def __init__(self, *args, **kwargs):
            self.logp = logp
            super(FromPosterior, self).__init__(*args, **kwargs)

    smin, smax = np.min(samples), np.max(samples)
    x = np.linspace(smin, smax, 100)
    y = stats.gaussian_kde(samples)(x)
    y0 = np.min(y) / 10 # what was never sampled should have a small probability but not 0

    @as_op(itypes=[tt.dscalar], otypes=[tt.dscalar])
    def logp(value):
        # Interpolates from observed values
        return np.array(np.log(np.interp(value, x, y, left=y0, right=y0)))

    return FromPosterior(param, testval=np.median(samples))

然后alpha通过调用from_posterior带有参数名称的函数和前一次迭代后面的跟踪样本来定义模型参数的先验(例如):

alpha = from_posterior('alpha', trace['alpha'])